AGRISIGHT AI: A ConvNeXtV2-Based Deep Learning Framework for Crop Disease Classification with a Proposed Multimodal Extension for Precision Agriculture

किसानों के लिए, एक भरपूर फसल और एक बर्बाद सीजन के बीच का अंतर अक्सर समय (timing) पर निर्भर करता है। यदि किसी बीमारी का जल्दी पता चल जाए, तो लक्षित छिड़काव (targeted spray) से उसे ठीक किया जा सकता है, जिससे फसल को बचाया जा सकता है। यदि वही बीमारी फैलने तक अनसुनी रह गई, तो पूरी फसल नष्ट हो सकती है। सदियों से, इस पहचान के लिए मानवीय आंखों पर भरोसा किया जाता रहा है, एक ऐसी विधि जो एक छोटे बगीचे के लिए तो अच्छी है लेकिन सैकड़ों एकड़ का प्रबंधन करने के लिए असंभव हो जाती है। आज, इसका समाधान 'प्रिसिजन एग्रीकल्चर' (सटीक कृषि) नामक विज्ञान के क्षेत्र में निहित है, जो फसलों की निगरानी के लिए उसी तकनीक का उपयोग करता है जैसे एक डॉक्टर मरीज की निगरानी के लिए करता है। इस बदलाव के केंद्र में कंप्यूटर को वह देखने के लिए प्रशिक्षित करने की क्षमता है जो एक इंसान से छूट सकता है। पत्तियों की छवियों का विश्लेषण करके, आर्टिफिशियल इंटेलिजेंस विशिष्ट बीमारियों की पहचान कर सकता है, लेकिन ये प्रणालियाँ पारंपरिक रूप से केवल एक प्रकार की तस्वीर देखने तक सीमित रही हैं, जिससे वे उन व्यापक पर्यावरणीय संकेतों को पहचानने में विफल रहती हैं जो पौधे में दृश्य धब्बे दिखने से पहले ही संकट का संकेत देते हैं।

चेन्नई, भारत के एसआरएम इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण विकसित किया है, जिसे वे 'एग्रीसाइट एआई' (AGRISIGHT AI) कहते हैं। उनका कार्य एक विशिष्ट प्रकार के कंप्यूटर विजन सिस्टम पर केंद्रित है जिसे मानक फोटोग्राफ से फसल रोगों को पहचानने के लिए डिज़ाइन किया गया है। हालांकि उनके प्रोजेक्ट का अंतिम लक्ष्य एक विशाल, सर्वव्यापी प्रणाली बनाना है जो सैटेलाइट डेटा, मौसम की रिपोर्ट और मिट्टी के मानचित्रों को जोड़ती है, वर्तमान अध्ययन एक शक्तिशाली नए प्रकार के इमेज एनालाइजर का उपयोग करके इस विचार की नींव को सिद्ध करता है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण पत्तों की छवियों के एक बड़े संग्रह पर किया जिसे 'प्लांटविलेज डेटासेट' (PlantVillage dataset) के रूप में जाना जाता है, जिसमें स्वस्थ पौधों और तैंतीस अलग-अलग बीमारियों से पीड़ित पौधों की तस्वीरें शामिल हैं। उन्होंने जो सिस्टम बनाया है वह 'कॉन्वनेक्स्टवी2' (ConvNeXtV2) नामक एक आधुनिक आर्किटेक्चर पर आधारित है, जो एक डीप लर्निंग मॉडल है जो छवियों में पैटर्न को वैसे ही पहचानना सीखता है जैसे मानव मस्तिष्क चेहरों को पहचानना सीखता है, लेकिन इसका ध्यान पौधों के घावों (lesions) के विशिष्ट बनावट और आकार पर होता है।

इस परीक्षण के परिणाम आश्चर्यजनक थे। जब सिस्टम से एक पत्ते की छवि में बीमारी की पहचान करने के लिए कहा गया, तो यह 91.50% बार सही था। यह पुराने, मानक मॉडलों की तुलना में एक महत्वपूर्ण सुधार है, जिन्हें शोधकर्ताओं ने अपने नए सिस्टम के साथ टेस्ट किया और पाया कि समान परिस्थितियों में वे केवल लगभग 46% बार ही सही थे। साधारण सटीकता के अलावा, नए सिस्टम ने विभिन्न प्रकार की बीमारियों के बीच अंतर करने की उल्लेखनीय क्षमता दिखाई, जिससे 0.99, जो एक ऐसे पैमाने पर है जो यह मापता है कि वह एक श्रेणी को दूसरी से कितनी अच्छी तरह अलग करता है। यह सुनिश्चित करने के लिए कि ये परिणाम केवल एक इत्तफाक नहीं हैं, शोधकर्ताओं ने परीक्षण कई बार किए और यह पुष्टि करने के लिए सांख्यिकीय तरीकों का उपयोग किया कि सुधार वास्तविक और सुसंगत था। उन्होंने यह भी देखा कि कंप्यूटर निर्णय कैसे लेता है। छवि के उन विशिष्ट हिस्सों को उजागर करने वाली एक तकनीक का उपयोग करके, उन्होंने पुष्टि की कि सिस्टम वास्तव में पत्तियों पर मौजूद रोगग्रस्त धब्बों को देख रहा था, न कि बैकग्राउंड या गमले के रंग के आधार पर अनुमान लगा रहा था।

हालांकि, शोधकर्ता यह स्पष्ट करने में सावधानी बरतते हैं कि उनका अध्ययन क्या कवर करता है और क्या नहीं। वर्तमान सफलता पत्तियों की एकल तस्वीरों के विश्लेषण तक सीमित है, जैसा कि एक किसान स्मार्टफोन से ले सकता है। शोध पत्र स्पष्ट रूप से कहता है कि उनके दृष्टिकोण के अधिक महत्वाकांक्षी हिस्से—पूरे खेत को देखने के लिए सैटेलाइट छवियों को एकीकृत करना, प्रकोप की भविष्यवाणी करने के लिए मौसम के डेटा का उपयोग करना, और एक खेत से दूसरे खेत में बीमारियों के प्रसार को मॉडल करना—भविष्य के प्रस्तावित चरण हैं। ये उन्नत विशेषताएं, जो इस प्रणाली को एक वास्तविक प्रारंभिक चेतावनी नेटवर्क के रूप में कार्य करने में सक्षम बनाएंगी, अभी तक वास्तविक दुनिया के डेटा के साथ परीक्षण नहीं की गई हैं क्योंकि इन सभी विभिन्न प्रकार की सूचनाओं को जोड़ने वाला एक एकल डेटासेट अभी तक मौजूद नहीं है। टीम इन अतिरिक्तताओं को भविष्य के रोडमैप के रूप में वर्णित करती है, यह नोट करते हुए कि हालांकि उनके लिए गणितीय ढांचे तैयार हैं, वास्तविक सत्यापन बाद के शोध में होगा।

इन भविष्य की योजनाओं के बावजूद, वर्तमान उपलब्धि एक ठोस 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करती है। सिस्टम ने खेत की अव्यवस्थित वास्तविकता को संभालने की क्षमता सिद्ध की, और धुंधली छवियों, शोर (noise), या अलग-अलग लाइटिंग स्थितियों में भी उच्च सटीकता बनाए रखी। सिस्टम केवल तभी संघर्ष करता था जब पत्तियां बहुत अधिक घूमी हुई (rotated) होती थीं या ढकी हुई होती थीं, जो स्वाभाविक है क्योंकि प्रशिक्षण छवियां ज्यादातर एक मानक, सीधे कोण से ली गई थीं। यह सुझाव देता है कि हालांकि तकनीक मजबूत है, फिर भी इसे हर खेती के परिदृश्य में पूरी तरह से अचूक बनाने के लिए विभिन्न कोणों पर प्रशिक्षित करने की आवश्यकता है। शोधकर्ताओं ने यह भी प्रदर्शित किया कि उनका सिस्टम विश्वसनीय है, जिसमें मिसकैलिब्रेशन की दर बहुत कम है, जिसका अर्थ है कि इसके उत्तरों में व्यक्त आत्मविश्वास वास्तव में इसकी सटीकता के साथ मेल खाता है।

इस कार्य का व्यापक निहितार्थ एक मॉड्यूलर प्लेटफॉर्म का निर्माण है जो बढ़ सकता है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो एक एकल छवि को पढ़ने की मजबूत क्षमता के साथ शुरू होता है और इसे अंततः सूचना के अन्य प्रवाहों को स्वीकार करने के लिए डिज़ाइन किया गया है। एक ऐसी प्रणाली की कल्पना करें जो एक पत्ते को देख सके, स्थानीय आर्द्रता (humidity) की जांच कर सके, मिट्टी की संरचना की समीक्षा कर सके और फसल के स्वास्थ्य की पूरी तस्वीर देने के लिए सैटेलाइट डेटा को एक साथ देख सके। हालांकि यह पूर्ण एकीकरण अभी भी योजना के चरण में है, लेकिन पत्तियों को पढ़ने वाला मुख्य इंजन अब उच्च सटीकता के साथ काम करने के लिए सिद्ध हो चुका है। यह अध्ययन फसल रोग की पूरी समस्या को हल नहीं करता है, लेकिन यह आवश्यक आधार तैयार करता है, यह दिखाते हुए कि सही उपकरणों के साथ, कंप्यूटर दुनिया को खिलाने के प्राचीन और महत्वपूर्ण कार्य में विश्वसनीय साथी बन सकते हैं।